99精品免费观看,无码精品黑人一二区三区

6G通信感知一體化架構(gòu)與技術(shù)研究[其他][其他]

從2019年5G標(biāo)準(zhǔn)和設(shè)備逐步成型，通信業(yè)務(wù)向著產(chǎn)業(yè)化、多元化的趨勢逐漸清晰化，從而催生了新通信系統(tǒng)研究。6G作為新一代通信系統(tǒng)，從服務(wù)全面性和精細(xì)度都進(jìn)行了深度和廣度的擴(kuò)展。目前6G備選技術(shù)已經(jīng)有THz技術(shù)、大規(guī)模天線、IRS和通信感知融合等，其中通信和感知一體化在2021年初成為6G重點(diǎn)研究技術(shù)，其通過復(fù)用通信和感知架構(gòu)與信號進(jìn)行一體化通信和感知，可以極大地減少系統(tǒng)的冗余部署。從6G通信感知一體化的研究需要性、架構(gòu)和技術(shù)研究幾個(gè)方面展開分析，從而可以較為全面地介紹6G通感融合的可行性及重點(diǎn)研究方向。

發(fā)表于：8/31/2021 1:55:00 PM

基于模板匹配OCR的報(bào)告自動(dòng)歸檔系統(tǒng)研究[其他][其他]

針對建筑檢測行業(yè)中檢測報(bào)告多、人工歸檔效率低下的問題，利用模板匹配算法與LeNet框架建立了一套強(qiáng)魯棒性用于報(bào)告文件數(shù)字符號的OCR識別系統(tǒng)。針對報(bào)告中感興趣區(qū)域(ROI)位置和大小不固定的問題，采用了機(jī)器視覺領(lǐng)域中的模板匹配定位算法來定位報(bào)告文件的ROI區(qū)域。結(jié)合LeNet網(wǎng)絡(luò)與模板匹配定位算法，實(shí)現(xiàn)了傳統(tǒng)機(jī)器視覺方法與人工智能方法的結(jié)合，構(gòu)建了一套檢測報(bào)告自動(dòng)歸檔系統(tǒng)。所構(gòu)建的自動(dòng)歸檔系統(tǒng)的正確歸檔率達(dá)到了95.8%，有效節(jié)約了人工成本與時(shí)間成本。

發(fā)表于：8/12/2021 3:30:59 PM

基于5G技術(shù)的高可靠數(shù)據(jù)傳輸終端的設(shè)計(jì)[其他][其他]

無線數(shù)據(jù)傳輸終端又稱為“工業(yè)領(lǐng)域的手機(jī)”，其數(shù)據(jù)傳輸原理與人們平常使用的手機(jī)是類似的。目前無線數(shù)據(jù)傳輸終端中常使用2G/4G網(wǎng)絡(luò)傳輸數(shù)據(jù)。2G/4G網(wǎng)絡(luò)存在帶寬小、時(shí)延大以及接入終端量受限等問題，因此傳統(tǒng)的數(shù)據(jù)傳輸終端不適用車聯(lián)網(wǎng)和大型工控領(lǐng)域。將5G技術(shù)應(yīng)用到DTU(Data Transfer Unit)中，設(shè)計(jì)了一個(gè)高可靠性的5G數(shù)據(jù)傳輸終端即5G-DTU。它的主處理器為Rockchip公司的RK1808芯片，集成了5G通信模組、WiFi模塊和接口模塊。因此5G-DTU能為外置設(shè)備提供2.4 G和5 G雙頻段的無線接入以及豐富的外設(shè)接口。最后通過測試證明了5G-DTU的高帶寬、低延時(shí)和高可靠性。

發(fā)表于：8/12/2021 3:25:11 PM

基于應(yīng)用場景特征描述的無人機(jī)基站飛行高度部署[其他][其他]

由于無人機(jī)基站在不同應(yīng)用場景下，所處的地理環(huán)境、用戶分布、用戶需求和所希望提升的性能需求不同，需要根據(jù)不同應(yīng)用場景的特征對無人機(jī)基站進(jìn)行部署?；跓o人機(jī)基站的典型應(yīng)用場景，構(gòu)建兩個(gè)具有代表性的無人機(jī)基站應(yīng)用場景模型，并對應(yīng)用場景模型特征進(jìn)行抽象描述。分別構(gòu)建了兩個(gè)應(yīng)用場景的空地通信傳輸模型。在此基礎(chǔ)上，給出了最大化傳輸速率以及最大化無人機(jī)覆蓋范圍的無人機(jī)基站最優(yōu)飛行高度的數(shù)學(xué)計(jì)算模型。最后，對不同場景下無人機(jī)基站最優(yōu)飛行高度的影響因素和變化趨勢進(jìn)行了分析。

發(fā)表于：8/12/2021 3:15:28 PM

機(jī)器學(xué)習(xí)中的成員推斷攻擊與防御研究[其他][其他]

隨著機(jī)器學(xué)習(xí)滲透到日常生活中的各個(gè)方面，其數(shù)據(jù)隱私問題受到越來越多的關(guān)注。成員推斷攻擊是機(jī)器學(xué)習(xí)算法面臨的安全威脅之一，用于推斷特定數(shù)據(jù)是否存在于機(jī)器學(xué)習(xí)模型的訓(xùn)練集中，給用戶帶來極大的安全隱患，對機(jī)器學(xué)習(xí)模型的安全性提出挑戰(zhàn)。為此，研究成員推斷攻擊不僅能發(fā)現(xiàn)隱私數(shù)據(jù)面臨的威脅，而且還能為防御技術(shù)的提出提供思路。對近年來有關(guān)成員推斷攻擊的研究進(jìn)行詳細(xì)的分析，按照應(yīng)用場景的不同將攻擊分為判別模型攻擊、生成模型攻擊以及聯(lián)邦學(xué)習(xí)攻擊三類。同時(shí)根據(jù)成員推斷攻擊和防御的發(fā)展現(xiàn)狀，闡述了影響攻擊的因素以及經(jīng)典的防御策略。最后指出成員推斷攻擊中仍需解決的問題以及未來的發(fā)展方向。

發(fā)表于：8/12/2021 3:11:27 PM

基于多任務(wù)學(xué)習(xí)的無參考超分辨圖像質(zhì)量評估[其他][其他]

圖像超分辨率重建旨在從低分辨率圖像中恢復(fù)其對應(yīng)的高分辨率圖像，是計(jì)算機(jī)視覺中的經(jīng)典問題。為改進(jìn)傳統(tǒng)超分辨圖像質(zhì)量評價(jià)方法與人眼感知不一致的問題，提出一種基于多任務(wù)學(xué)習(xí)的超分辨圖像質(zhì)量評估網(wǎng)絡(luò)。網(wǎng)絡(luò)采用多任務(wù)學(xué)習(xí)的方式，分別學(xué)習(xí)圖像的局部頻率特征與質(zhì)量分?jǐn)?shù)，其中局部頻率特征用來輔助網(wǎng)絡(luò)進(jìn)行圖像質(zhì)量分?jǐn)?shù)的回歸，提高分?jǐn)?shù)預(yù)測的準(zhǔn)確性和泛化能力。另外，在網(wǎng)絡(luò)中加入?yún)f(xié)調(diào)注意力模塊，進(jìn)一步增強(qiáng)了模型的預(yù)測能力。實(shí)驗(yàn)結(jié)果表明，所提出的算法在QADS數(shù)據(jù)集上的SROCC、PLCC等指標(biāo)優(yōu)于目前先進(jìn)的無參考超分辨圖像質(zhì)量評價(jià)方法。

發(fā)表于：8/12/2021 3:06:28 PM

基于Flink流處理框架的FFT并行及優(yōu)化[其他][其他]

FFT作為雷達(dá)信號處理的關(guān)鍵計(jì)算步驟之一，本質(zhì)上是一個(gè)基于數(shù)據(jù)流的處理過程。以往的FFT計(jì)算大多集中在通用計(jì)算平臺上進(jìn)行并行計(jì)算實(shí)現(xiàn)，計(jì)算系統(tǒng)存在擴(kuò)展性和魯棒性問題。隨著科學(xué)計(jì)算應(yīng)用在Flink上的逐漸興起，將FFT在Flink上進(jìn)行并行和優(yōu)化，不僅可以很好地利用框架自身良好的系統(tǒng)擴(kuò)展性和魯棒性，同時(shí)也能使其具備高吞吐的實(shí)時(shí)性能?；贔link對FFT流處理算法流程進(jìn)行了設(shè)計(jì)和優(yōu)化，同時(shí)針對Flink對適用于FFT計(jì)算的緩存窗口機(jī)制進(jìn)行了設(shè)計(jì)，實(shí)驗(yàn)結(jié)果表明，改進(jìn)后FFT并行算法在多個(gè)大規(guī)模點(diǎn)數(shù)下計(jì)算速度均有所提高。

發(fā)表于：8/12/2021 3:00:00 PM

一種基于CEEMDAN-LSTM組合的水體溶解氧預(yù)測方法[其他][其他]

為了對水體含氧量進(jìn)行更好的監(jiān)測，提高溶解氧含量預(yù)測精度，采用“先分解再集成”的結(jié)構(gòu)，提出了CEEMDAN-LSTM組合預(yù)測模型。首先利用CEEMDAN得到分解后的各個(gè)分量，然后對每個(gè)分量進(jìn)行LSTM建模預(yù)測，最后對所有的預(yù)測結(jié)果進(jìn)行集成，得到最終預(yù)測結(jié)果。該模型解決了單個(gè)LSTM模型預(yù)測的延遲性，與單個(gè)LSTM預(yù)測模型相比，其擬合優(yōu)度(R2)提高了3.3%，其余誤差指標(biāo)也均有所降低，預(yù)測精度得到了有效的提升；與其他模型相比，也更具優(yōu)越性。

發(fā)表于：8/12/2021 2:52:00 PM

基于深度網(wǎng)絡(luò)的推薦系統(tǒng)偏置項(xiàng)改良研究[其他][其他]

傳統(tǒng)的矩陣分解算法為用戶和項(xiàng)目分別獨(dú)立設(shè)置了偏置項(xiàng)，而沒有深入挖掘特定用戶對于特定項(xiàng)目的隱性偏好；同時(shí)，傳統(tǒng)的排序預(yù)測推薦算法將用戶所有打分過的項(xiàng)目都統(tǒng)一地設(shè)置為該用戶的正例項(xiàng)目(無論用戶給出了好評還是差評)，這導(dǎo)致訓(xùn)練完成的系統(tǒng)在實(shí)際應(yīng)用中很可能會(huì)為用戶繼續(xù)推薦其厭惡的項(xiàng)目。因此提出了一種基于深度網(wǎng)絡(luò)的推薦系統(tǒng)偏置項(xiàng)改良方案，該改良方案考慮了用戶為特定項(xiàng)目所作的評分背后所蘊(yùn)含的好惡態(tài)度，并學(xué)習(xí)出一個(gè)用戶-項(xiàng)目聯(lián)合偏置項(xiàng)加入到推薦過程中以提升推薦性能。在三個(gè)公開數(shù)據(jù)集上進(jìn)行的對比實(shí)驗(yàn)結(jié)果表明，該改良方案可以有效地提升推薦的性能表現(xiàn)。

發(fā)表于：8/12/2021 2:37:00 PM

基于特征集聚和卷積神經(jīng)網(wǎng)絡(luò)的惡意PDF文檔檢測方法[通信與網(wǎng)絡(luò)][信息安全]

針對現(xiàn)有惡意PDF文檔檢測方法存在特征維度高、數(shù)據(jù)集樣本少導(dǎo)致模型欠擬合等問題，提出了一種基于特征集聚和卷積神經(jīng)網(wǎng)絡(luò)的惡意PDF文檔檢測方法。該方法以詞袋模型為基礎(chǔ)，從PDF文檔中提取常規(guī)特征和結(jié)構(gòu)特征。然后以合并后特征簇最小方差為目標(biāo)，使用Ward最小方差聚類方法實(shí)現(xiàn)特征集聚。最后，將聚合特征送入卷積神經(jīng)網(wǎng)絡(luò)分類模型進(jìn)行訓(xùn)練。根據(jù)不同聚合特征數(shù)下模型性能的好壞，確定最優(yōu)的聚合特征數(shù)。實(shí)驗(yàn)結(jié)果表明，該方法降低了特征維度，提升了模型的召回率，緩解了模型的欠擬合問題?？v向比較來看，在不同的良性樣本和惡意樣本比例下，遍歷得到最優(yōu)的聚合特征數(shù)，召回率平均提升了53%，F(xiàn)-score平均提升了0.44，運(yùn)行時(shí)間平均縮短了27%；與PJScan、PDFrate、Luxor 3種檢測工具橫向相比，檢測的綜合性能平均提升了5%。

發(fā)表于：8/12/2021 2:26:36 PM